Anvendt Statistik Lektion 6

1. Anvendt StatistikLektion 6 Kontingenstabeller c2-test [ki-i-anden-test]

2. Kontingenstabel • Formål: Illustrere/finde sammenhænge mellem to kategoriske variable • Opbygning: En ”celle” for hver kombination af kategorier. • Cellen: Indeholder antal observationer, der falder i den kombination af kategorier. • Eksempel: Celle: Antal mænd, der er ’independent’

3. Eksempel • Spørgsmål: Er der sammenhæng mellem køn og den måde man stemmer på? • To variable: • Køn: Mand / kvinde • Partiforhold: Demokrat/ Uafhængig / Republikaner • Vi er interesserede i fordelingen af stemmer, ikke de absolutte antal.

4. Relative fordeling • Tabel over stemme fordelingen • Stemme-fordelingen blandt: • Kvinder: • Mænd: • Alle: • Vi ser at stemmefordelingen er forskellig • Er forskellen statistisk signifikant?

5. Statistisk uafhængighed • To kategoriske variable er statistisk uafhængige, hvis den betinget med den ene fordeling for anden er • Eksempel: Køn og partiforhold er uafhængige, hvis andelen af hhv. demokrater, uafhængige og republikanere er den sammen blandt mænd og kvinder. • Eksempel: Køn og partiforhold er uafhængige, hvis andelen af hhv. mænd og kvinder er den sammen blandt demokrater, uafhængige og republikanere.

6. Eksempel på uafhængighed • Eksempel • Sammenhæng mellem race og partiforhold. • De to variable er uafhængige, da fordelingen blandt de tre politiske grupper er den samme for alle tre race-grupper.

7. Eksempel på uafhængighed (forts) • Eksempel • Sammenhæng mellem race og partiforhold. • De to variable er uafhængige, da fordelingen blandt de tre race-grupperer den samme for alle tre politiske grupper.

8. Tilbage til Køn og Parti • Fordelingen opfylder ikke betingelsen for uafhængighed. • Men det er jo ”kun” data. Det ”rigtige” spørgsmål er: Er der uafhængighed i populationen. • Er afvigelsen fra uafhængighed i data, så stor at vi ikke tror på at der kan være uafhængighed i populationen?

9. c2-test af uafhængighed • To variable er uafhængige, hvis populations-fordelingen af den ene variabel er den samme uanset værdien af den anden. • Vi vil teste hypoteserne • H0: De to variable er statistisk uafhængige • H1: De to variable er statistisk afhængige • En c2-test sammenligner data med hvad vi ville ”forvente” hvis H0 var sand.

10. Forventede antal • Hvilke antal vil vi forvente hvis H0 er sand, dvs. der er statistisk uafhængighed? • Vi ved at uafhængighed kræver den samme fordeling i hver række • Notation: For hver celle… • Lad fobetegne det observerede antal • Lad febetegne det forventede antal

11. Forventede antal • Eksempel: Kvinde og Demokrat • Observerede antal fo= 573 • Andelen af demokrater generelt er: 959/2771 = 34.6% • Hvis køn og partiforhold er uafhængige skal andelen af demokrater være den samme uanset køn. • Dvs. under H0 forventer vi, at 34.6% af de 1511 kvinder er demokrater: • fe= 0.346·1511 = (959/2771)·1511 = 522.9

12. c2-teststørrelse • Forskellen mellem de observerede og forventede antal opsummeres ved c2-teststørrelsen: • Summen er over alle celler i tabellen. • Der gælder at c2≥ 0. • c2= 0 er et ”perfekt” match. • Jo større c2er jo længere fra uafhængighed. • Jo større c2er jo mere kritisk for H0.

13. Eksempel • SPSS har udregnet forventede antal • Udregning af c2-teststørrelsen • Hvor kritisk er 16.2…?

14. c2-fordelingen df = 5 df = 10 • Hvis H0 er sand (uafhængighed) og stikprøven er stor, så følger c2-teststørrelsen en c2-fordeling. • c2-fordeling… • antager kun positive værdier • er højreskæv df = 10 • facon er givet ved antal frihedsgrader (df = degrees of freedom) • har middelværdi m = dfog standardafvigelse s = .

15. c2-test og c2-fordeling • For test af H0 i en tabel med r rækker og c kolonner er df = (r - 1)(c - 1) • P-værdien er sandsynligheden for mere kritiske værdier, hvis H0 er sand c2 , df = (r – 1)(c – 1) P-værdien c2

16. Eksempel: Køn og partiforhold • Vi vil teste følgende hypoteser • H0: Køn og partiforhold er uafhængige • H1: Køn og partiforhold er afhængige • Vi har r = 2 og c = 3, dvs. df = (2 - 1)(3 - 1) = 2 • Teststørrelsen er c2 = 16.2 • P-værdien er P = 0.0003. c2 , df = (r – 1)(c – 1) • Konklusion: Da P-værdien er mindre end 0.05 afviser vi H0 • Dvs. vi accepterer at køn og partiforhold er afhængige. P-værdien 16.2

17. c2-test vha. tabel • Udsnit af Tabel C s. 594 • Da 16.2 > 5.99 kan vi se, at P-værdien nødvendigvis er mindre end 0.05, dvs. vi forkaster H0. a a=0.05 P-værdi 5.99 c2=16.2

18. Krav til Stikprøvestørrelsen • Tidligere skrev vi, at c2-testet kræver at stikprøven er ”stor nok”. • En tommelfingerregel er at alle forventede antal er større end fem, dvs. fe > 5.

19. c2-test i SPSS : Input • Analyze → Descriptive Statistics → Crosstabs…

20. c2-test i SPSS : Output • Resultatet af en analyse i SPSS df = antal frihedsgrader P-værdien c2-teststørrelsen Antal celler med fe < 5, helst nul.

21. Frihedsgrader • Hvorfor har en 2x3 tabel 2 frihedsgrader? • Antag vi kender alle række- og søjletotaler. • Hvis vi kender antallet i bare to celler, så kan vi finde resten af antallene. • Vi har frihed til at vælge to antal – derefter er resten givet!

22. Residual: Motivation • c2-testet kan afsløre at data passer dårligt med hypotesen om statistisk uafhængighed. • c2-testet siger intet om hvordan data passer dårligt. • Det kunne fx være fordi: • Et lille antal celler afviger meget. • Et stort antal celler afviger lidt. • Et residual siger noget om, hvor meget den enkelte celle afviger.

23. Residual • Et (råt) residual fro en celle er forskellen mellem fo og fe. • Et standardiseret residual for en celle er • Her se er standardfejlen, hvis H0 er sand. Dvs. det standardiserede residual måler antal se som residualet mellem fo - fe afviger fra 0. • z svinger omkring 0 med standardafvigelse 1. • For store stikprøver er z ca. normalfordelt.

24. Residual: Eksempel • For cellen ’Kvinde’ og ’Demokrat’ har vi • Da z er cirka normalfordelt med middelværdi 0 og standardafvigelse 1, så er 4.0 ret ekstremt. • I SPSS vælges ’Adjusted Standardized’ under ’Residuals’

25. Grad af sammenhæng i 2x2 tabel • Et mål for graden af sammenhæng er typisk et tal mellem -1 og 1, hvor 0 = ’Ingen sammenhæng’. • Minimal sammenhæng • Forskel i andel ’For’: • Ingen sammenhæng • Maksimal sammenhæng • Forskel i andel ’For’: • Maksimal sammenhæng

26. Lille P-værdi betyder ikke stærk sammenhæng • Tre tabeller med samme grad af sammenhæng, men forskellig stikprøve størrelser:

27. Uduelige piger… eller…? (based on a true story…) • Vi har spurgt 1000 kvinde og 1000 mandlige kandidater om de har gennemførte deres studie på normeret tid. • Resultat: Mænd 72,5% Kvinder 57,5% • Forskellen er statistisk signifikant!

28. Stratificeret Analyse • Vi har også spurgte om hvilket fakultet folk har studeret ved (INS eller Samf). • Vi udfører nu analyses separat for hvert fakultet: • (Vi siger vi stratificerer efter fakultet)

29. Simpsons Paradoks • Internt på de to fakulteter er der ingen forskel mellem mænds og kvinders gennem-førsels procent! • Bemærk: Kvinder vil hellere læse et studie, der er svært at gennemføre til tiden. • Mænd er lige modsat… • Baseret på en sand historie fra Berkeley i midt ’70’erne.

30. Stratificering i SPSS • Variablen, der stratificeres efter placeres i ’Layer’: